Die Qualität einer Prognose hängt weitgehend von der Zuverlässigkeit der Daten auf denen sie beruht. Doch muss man diese Zuverlässigkeit auch messen können.
Die Genauigkeit der Nachfrageprognosen ist in der Tat weniger einfach, als es scheint.
Soll die Abweichung in Einheiten, in Prozent oder im Vergleich zu einer Referenzprognose gemessen werden? Über welchen Zeitraum sollte der Vergleich erfolgen? Und wie sind die Ergebnisse zu interpretieren, wenn bestimmte Produkte täglich verkauft werden, während bei anderen regelmäßig Zeiträume ohne jeglichen Absatz auftreten?
Ein geringer Mittelwertfehler kann ebenfalls eine anhaltende Verzerrung verschleiern. Umgekehrt kann eine statistisch weniger genaue Prognose mitunter zu besseren Entscheidungen führen, wenn sie es ermöglicht, die Unsicherheit und die damit verbundenen Risiken besser einzuschätzen.
Um die Genauigkeit von Prognosen zu messen, müssen daher nicht nur die richtigen Indikatoren ausgewählt, sondern diese auch auf der richtigen Detailebene, für den richtigen Zeithorizont und unter Berücksichtigung des Nachfrageprofils jedes einzelnen Produkts analysiert werden.
Diese Maßnahme bildet vor allem den Ausgangspunkt für einen Prozess der kontinuierlichen Verbesserung der Bedarfsprognose. Auf diese Weise lässt sich feststellen, ob die Abweichungen auf die Daten, das Modell, ein nicht berücksichtigtes Ereignis oder eine manuelle Anpassung zurückzuführen sind, um anschließend an der richtigen Stelle anzusetzen.
Die Genauigkeit der Prognosen wird somit zu einem wesentlichen Indikator für die Zuverlässigkeit der Bedarfsplanung zu gewährleisten und Planungs- sowie Beschaffungsentscheidungen besser zu steuern.
Lassen Sie uns untersuchen, wie sich die Prognosegenauigkeit korrekt messen und deren Leistungsfähigkeit nachhaltig verbessern lässt.
Nachfrageplanung: Wie lässt sich die Prognosegenauigkeit messen und verbessern?
Durch die Messung der Prognosegenauigkeit lassen sich Abweichungen zwischen der prognostizierten und der tatsächlich beobachteten Nachfrage ermitteln. Bei dieser Analyse müssen jedoch die wichtigsten Faktoren berücksichtigt werden Faktoren, die die Prognosequalität beeinflussen, wie beispielsweise die Zuverlässigkeit der Daten, saisonale Schwankungen, Sonderangebote, Lieferengpässe, Preisschwankungen oder auch außergewöhnliche Ereignisse. Im Rahmen der Bedarfsplanung ermöglicht das Verständnis dieser Faktoren eine bessere Interpretation von Prognosefehlern und das Eingreifen an den relevantesten Hebeln, um deren Genauigkeit zu verbessern.
Wie lässt sich also die Genauigkeit von Prognosen messen und verbessern?
1. Legen Sie fest, was gemessen werden soll, bevor Sie die Genauigkeit bewerten
Bevor man die Genauigkeit einer Prognose misst, muss zunächst klar definiert werden, was genau prognostiziert werden soll: Bestellungen, Umsätze, Lagerabgänge oder die tatsächliche Nachfrage.
Diese Unterscheidung ist von entscheidender Bedeutung, da die beobachteten Verkaufszahlen nicht immer die Nachfrage widerspiegeln. Im Falle einer Lieferunterbrechung beispielsweise kann ein niedriges Verkaufsniveau lediglich auf eine mangelnde Verfügbarkeit hindeuten.
Die gleiche Verzerrung kann bei außergewöhnlichen Bestellungen, Lieferverzögerungen oder ungewöhnlichen Bestandsschwankungen auftreten.
Im Rahmen der Nachfrageplanung müssen daher die prognostizierten Daten, der Detaillierungsgrad, der Umfang, die Häufigkeit und der Prognosezeitraum festgelegt werden.
Eine Präzisionsmessung ist nur dann aussagekräftig, wenn sie sich auf die richtige Variable, auf der richtigen Ebene und zum richtigen Zeitpunkt bezieht.
2. Die zur Fehlermessung verwendeten Daten zuverlässiger gestalten
Die Datenqualität wirkt sich natürlich auf die Qualität der Prognosen aus. Sie beeinflusst jedoch auch die Art und Weise, wie deren Leistung gemessen wird.
Eine konsistente Prognose kann als falsch erscheinen, wenn die Ist-Werte, mit denen sie verglichen wird, Anomalien enthalten. Umgekehrt können bestimmte Fehler in den Daten einen Indikator künstlich verbessern.
Bevor die Leistung bewertet wird, müssen daher die Ereignisse ermittelt werden, die das beobachtete Signal beeinflussen könnten: Lieferausfälle und teilweise Verfügbarkeit, Sonderangebote, Rücksendungen, Stornierungen, Eingabefehler, Änderungen der Artikelnummern, außerplanmäßige Schließungen oder auch Transfers zwischen Filialen und Vertriebskanälen.
Das Ziel besteht jedoch nicht darin, Ausreißer systematisch zu löschen.
Ein Umsatzspitzenwert kann auf einen Eingabefehler zurückzuführen sein, aber auch auf eine besonders erfolgreiche Werbeaktion oder ein lokales Ereignis. Im ersten Fall muss die Angabe korrigiert werden. Im zweiten Fall handelt es sich um eine tatsächliche Information, die beibehalten und erläutert werden muss.
Korrekturen müssen zudem nachvollziehbar bleiben. Durch die Aufbewahrung der Rohdaten, der korrigierten Daten und des Grundes für die Änderung lässt sich der Prozess überprüfen und verhindern, dass eine übermäßige Bereinigung künstlich bessere Ergebnisse erzeugt.
Um die Genauigkeit von Prognosen korrekt zu messen, gilt daher nach wie vor ein einfaches Grundprinzip: Die Prognose und der Ist-Wert müssen vergleichbar sein und dieselbe betriebliche Realität widerspiegeln.
3. Die Vorhersehbarkeit der Produkte berücksichtigen
Nicht alle Produkte sind gleichermaßen vorhersehbar.
Ein Artikel, der täglich in großen Mengen verkauft wird, liefert weitaus aussagekräftigere Daten als ein Ersatzteil, das nur einige Male im Jahr bestellt wird. Ebenso weist ein ausgereiftes und stabiles Produkt nicht dieselben Merkmale auf wie eine Neuheit, ein stark saisonabhängiges Produkt oder ein Artikel, dessen Absatzstärken starken Schwankungen unterliegen.
Die Schwierigkeit der Prognose hängt insbesondere von folgenden Faktoren ab:
- des Umsatzvolumens und der Verkaufshäufigkeit;
- der Schwankungen der Nachfrage;
- ob es regelmäßig oder sporadisch auftritt;
- ob ein Trend oder eine saisonale Schwankung vorliegt;
- des Produktlebenszyklus;
- seiner Preis- und Aktionssensibilität;
- die Häufigkeit außergewöhnlicher Ereignisse;
- Möglichkeiten zum Austausch durch andere Artikelnummern.
Ein direkter Vergleich der Genauigkeit von Produkten mit sehr unterschiedlichen Profilen kann daher zu irreführenden Schlussfolgerungen führen.
Eine Segmentierung nach Volumen und Variabilität, die einer ABC-XYZ-Logik ähnelt, ermöglicht es beispielsweise, Artikel mit hoher wirtschaftlicher Bedeutung von Produkten zu unterscheiden, deren Nachfrage besonders schwankend ist. Weitere Dimensionen können diese Segmentierung ergänzen: Marge, Kritikalität, Lebenszyklus, Lieferzeit oder Substituierbarkeit.
Anhand dieser Klassifizierung lassen sich anschließend die Modelle, die Indikatoren und der Umfang menschlicher Eingriffe anpassen.
Stabile und umsatzstarke Artikel lassen sich weitgehend automatisieren. Bei sporadischen Nachfragen sind Methoden und Kennzahlen erforderlich, die auf verkaufsschwache Zeiträume zugeschnitten sind. Artikel mit hohem Risiko und starker Volatilität können hingegen eine verstärkte Kontrolle rechtfertigen.
Das Ziel besteht also nicht darin, überall das gleiche Maß an Genauigkeit zu erreichen, sondern jede Prognose im Hinblick auf die tatsächliche Vorhersagbarkeit des Produkts zu bewerten.
4. Die Genauigkeit mit der richtigen Detailgenauigkeit messen
Je aggregierter eine Prognose ist, desto stabiler ist die Nachfrage in der Regel.
Schwankungen bei verschiedenen Artikeln, Filialen oder Vertriebskanälen können sich gegenseitig ausgleichen, wenn sie zusammengefasst werden. Daher ist es oft einfacher, den landesweiten Absatz einer Kategorie zu prognostizieren als den Absatz jedes einzelnen Artikels in jeder Filiale.
Doch die statistisch genaueste Prognose ist nicht unbedingt die nützlichste.
Eine landesweite Prognose kann zwar hervorragend sein, reicht jedoch möglicherweise nicht aus, um zu bestimmen, wie viele Einheiten an jedes Lager geliefert werden müssen. Umgekehrt kann die ausschließliche Messung der Leistung auf Artikel- und Filialebene ein übermäßig negatives Bild vermitteln, wenn viele Produktreihen geringe Absatzmengen oder eine unregelmäßige Nachfrage aufweisen.
Die Bewertungsstufe muss daher drei Anforderungen in Einklang bringen:
- über eine ausreichend umfangreiche Historie verfügen;
- der Ebene entsprechen, auf der Entscheidungen tatsächlich getroffen werden;
- die Kohärenz zwischen den verschiedenen Prognoseebenen zu gewährleisten.
Die Leistung lässt sich somit gleichzeitig nach Artikelnummer, Kategorie, Filiale, Region oder Vertriebskanal verfolgen.
Diese hierarchische Betrachtungsweise ermöglicht es insbesondere, eine häufig auftretende Situation zu erkennen: Eine insgesamt korrekte Prognose kann erhebliche Fehler bei der Zuordnung verschleiern. Das Unternehmen prognostiziert dann zwar das richtige Gesamtvolumen, jedoch nicht unbedingt am richtigen Ort.
Methoden zur hierarchischen Abstimmung können somit dazu beitragen, die Kohärenz zwischen den verschiedenen Ebenen der Bedarfsplanung zu gewährleisten.
5. Die Genauigkeit bei jedem Entscheidungshorizont messen
Eine Prognose weist nicht nur einen einzigen Genauigkeitsgrad auf.
Der Grad der Unsicherheit ändert sich je nach Zeithorizont. Die Nachfrage für die kommende Woche und die für die nächsten drei Monate zu prognostizieren, sind zwei unterschiedliche Aufgaben.
Kurzfristig liegen bereits mehr Informationen vor: aktuelle Aufträge, Verfügbarkeit, bestätigte Geschäftsabschlüsse oder jüngste Verkaufssignale. Je weiter der Zeithorizont in die Zukunft reicht, desto mehr Faktoren werden ungewiss.
Man muss die Genauigkeit daher als eine Leistung, die sich je nach Zeithorizont, und nicht als einen einmaligen Wert.
Vor allem muss der Zeitpunkt der Maßnahme dem Zeitpunkt entsprechen, zu dem das Unternehmen seine Entscheidung tatsächlich hätte treffen müssen.
Nehmen wir an, ein Lieferant verlangt, dass eine Bestellung drei Monate im Voraus aufgegeben wird. Wenn man lediglich die 15 Tage vor dem Verkauf überarbeitete Prognose bewertet, lässt sich nicht feststellen, ob die zum Zeitpunkt der Vereinbarung mit dem Lieferanten verfügbaren Informationen ausreichend zuverlässig waren.
Eine zuverlässigere Vorgehensweise besteht darin, verschiedene Versionen der Prognose zu speichern und anschließend beispielsweise Folgendes zu messen:
- die Prognose, die 7 Tage im Voraus verfügbar ist;
- die 30 Tage im Voraus verfügbare Prognose;
- die 90 Tage im Voraus verfügbare Prognose.
Jede dieser Prognosen kann anschließend mit den tatsächlichen Ergebnissen verglichen werden.
Dieser Ansatz verhindert, dass eine aktualisierte Prognose nachträglich anhand von Informationen bewertet wird, die zum Zeitpunkt der operativen Entscheidungsfindung noch nicht vorlagen.
Die richtige Frage lautet also nicht nur „Was war unser Fehler?“, sondern auch „Was war unser Fehler in dem Moment, als wir entscheiden mussten?“
6. Welche Indikatoren sollten zur Messung der Prognosegenauigkeit herangezogen werden?
Es gibt keinen universellen Indikator, der für sich allein die Qualität einer Prognose zusammenfassen könnte.
Jede Metrik beleuchtet einen anderen Aspekt des Fehlers. Die Wahl muss sich nach dem Anforderungsprofil, der Analyseebene und dem operativen Einsatzzweck richten.
MAE: Messung des mittleren Fehlers in Einheiten
Der MAE, oder Mean Absolute Error, misst den Mittelwert der absoluten Abweichungen zwischen der Prognose und dem tatsächlichen Wert.
Dies hat einen wesentlichen Vorteil: Das Ergebnis wird weiterhin in der Einheit des Produkts angegeben.
Ein MAE-Wert von 50 bedeutet somit, dass die Prognose im Durchschnitt um 50 Einheiten vom Istwert abweicht.
Diese Kennzahl ist einfach zu interpretieren, lässt sich jedoch nur schwer zur Vergleichbarkeit von Artikeln mit sehr unterschiedlichen Absatzmengen heranziehen. Ein Fehler von 50 Einheiten kann bei einem Produkt, das in einer Stückzahl von mehreren Tausend verkauft wird, vernachlässigbar sein, bei einem Produkt mit einem üblichen Absatz von 70 Einheiten hingegen erheblich.
RMSE: größeren Fehlern mehr Gewicht beimessen
Der RMSE, oder Root Mean Squared Error, gewichtet größere Abweichungen stärker.
Dies kann besonders dann von Nutzen sein, wenn schwerwiegende Fehler unverhältnismäßig hohe betriebliche Kosten verursachen.
Andererseits bedeutet diese Sensitivität auch, dass bereits wenige Extremereignisse das Ergebnis stark beeinflussen können.
MAE und RMSE beantworten daher nicht genau dieselbe Frage. Ersteres misst einen leicht interpretierbaren Durchschnittsfehler; letzteres lenkt die Aufmerksamkeit stärker auf Fehler mit großer Amplitude.
MAPE: Angabe der Abweichung in Prozent
Der MAPE, oder Mean Absolute Percentage Error, gibt den Fehler im Verhältnis zum tatsächlich beobachteten Volumen an.
Die Darstellung in Prozent macht ihn intuitiv verständlich und erklärt zum großen Teil seine Beliebtheit.
Allerdings weist er eine wesentliche Einschränkung auf: Wenn die tatsächlichen Umsätze sehr gering ausfallen, kann die Fehlerquote extrem hoch werden. Liegt der tatsächliche Wert bei Null, wird die Berechnung problematisch.
Das MAPE eignet sich daher nicht für Aufträge, die durch eine geringe oder unregelmäßige Nachfrage gekennzeichnet sind.
MASE: Vergleich der Leistungen verschiedener Serien
Der MASE oder Mean Absolute Scaled Error, gibt das Verhältnis des Modellfehlers zum Fehler einer Referenzprognose an.
Diese Normierung erleichtert Vergleiche zwischen Datenreihen unterschiedlicher Größe und ermöglicht vor allem die Beantwortung einer wesentlichen Frage:
Ist das Modell tatsächlich besser als eine einfache Methode?
Dies ist ein wichtiger Aspekt bei der Bewertung eines Demand-Planning-Prozesses. Eine ausgefeilte Methode kann in absoluten Zahlen leistungsstark erscheinen, ohne jedoch gegenüber einer einfachen Prognose eine echte Verbesserung zu bieten.
Verzerrung: Erkennung anhaltender Unter- und Überprognosen
Der durchschnittliche Fehler reicht nicht aus.
Eine Prognose kann eine scheinbar zufriedenstellende Genauigkeit aufweisen und dennoch die Nachfrage systematisch über- oder unterschätzen.
Auf diese Weise lässt sich die Prognoseverzerrung erkennen.
Diese Information ist von entscheidender Bedeutung, da sich daraus unterschiedliche operative Konsequenzen ergeben. Eine anhaltende Unterprognose erhöht das Risiko von Lieferengpässen. Eine wiederholte Überprognose kann zu höheren Lagerbeständen, einer höheren Kapitalbindung oder höheren Preisnachlässen führen.
Da sich positive und negative Fehler in bestimmten aggregierten Kennzahlen gegenseitig ausgleichen können, muss die Verzerrung separat überwacht werden.
Messen Sie auch die Unsicherheit
Eine einmalige Prognose von 1.000 Einheiten vermittelt den Eindruck, dass nur eine einzige Zukunftsentwicklung in Betracht gezogen wird.
Nun können jedoch zwei Produkte mit derselben durchschnittlichen Prognose sehr unterschiedliche Unsicherheitsgrade aufweisen.
Durch die Verknüpfung der Prognose mit einem Prognoseintervall lässt sich ein plausibler Nachfragebereich abschätzen. Diese Information erweist sich als besonders nützlich, um Sicherheitsbestände zu bemessen, verschiedene Szenarien zu entwerfen und zwischen dem Risiko von Lieferengpässen und dem Risiko von Überbeständen abzuwägen.
Ein robustes System beruht daher nicht auf einem einzigen Genauigkeitsprozentsatz. Es vereint in der Regel mehrere Aspekte: Fehler, Verzerrung, Wertentwicklung im Vergleich zu einer Referenz, Entwicklung je nach Zeithorizont und Grad der Unsicherheit.
7. Vergleich der Modelle mit einer Referenzprognose
Ein komplexes Modell ist nicht unbedingt ein besseres Modell.
Ein gleitender Durchschnitt, eine einfache saisonale Methode oder ein relativ einfaches statistisches Modell können gute Ergebnisse liefern, wenn die Nachfrage eine geeignete Struktur aufweist.
Bevor Sie sich mit komplexeren Lösungen befassen, ist es daher sinnvoll, eine Basisprognosezu erstellen, d. h. eine Referenzprognose, die einfach genug ist, um als Vergleichsgrundlage zu dienen.
Dies kann beispielsweise darin bestehen, Folgendes zu verwenden:
- der zuletzt gemessene Wert;
- der Durchschnitt der letzten Zeiträume;
- die Umsätze im gleichen Zeitraum des Vorjahres;
- eine einfache saisonale Vorhersage.
Das in Frage kommende Modell muss anschließend nachweisen, dass es gegenüber dieser Referenz eine Verbesserung darstellt.
Dieser Vergleich darf jedoch nicht ausschließlich auf der Grundlage der Daten erfolgen, die zur Erstellung des Modells herangezogen wurden.
Ein sehr flexibles Modell kann die historischen Daten bemerkenswert gut nachbilden, sich jedoch bei neuen Zeiträumen als mittelmäßig erweisen. Dies ist das Phänomen des Überlernens.
Um die tatsächlichen Bedingungen der Bedarfsplanung genauer nachzubilden, kann die Validierung zu verschiedenen Zeitpunkten im Verlauf durchgeführt werden.
Das Modell lernt zunächst anhand der bis zu einem bestimmten Zeitpunkt verfügbaren Daten, erstellt eine Prognose für die gewünschten Zeithorizonte, und anschließend wird dieser Vorgang fortlaufend in die Zukunft wiederholt.
Dieses Backtesting ermöglicht es, die Methoden über verschiedene Zeiträume, bei unterschiedlichen Nachfrageszenarien und vor allem unter Berücksichtigung der von den Teams tatsächlich verwendeten Zeithorizonte zu vergleichen.
Maschinelles Lernen kann einen Mehrwert bieten, wenn das Unternehmen über zahlreiche Datenreihen, eine ausreichend umfangreiche Zeitreihe und relevante erklärende Variablen verfügt. Seine Leistungsfähigkeit muss jedoch unter denselben Bedingungen nachgewiesen werden wie die von einfacheren Modellen.
Das Ziel besteht nicht darin, die technisch ausgefeilteste Technologie auszuwählen, sondern das Modell, das die Vorhersagen auf der Grundlage von Daten, die es noch nie gesehen hat, tatsächlich verbessert.
8. Die Ursachen von Prognosefehlern ermitteln
Die Ermittlung eines Fehlers ist nur der erste Schritt. Um die Prognosen zu verbessern, muss man anschließend die Ursachen der Abweichungen verstehen.
Eine Verschlechterung der Leistung kann verschiedene Ursachen haben:
- eine fehlerhafte oder unvollständige Angabe;
- eine Unterbrechung, durch die ein Teil der Nachfrage verdeckt wurde;
- eine Verhaltensänderung;
- eine falsch angegebene Sonderaktion oder Preisänderung;
- ein außergewöhnliches Ereignis, das im Modell nicht berücksichtigt ist;
- eine Abweichung vom Trend oder von der Saisonalität;
- ein Modell, das nicht mehr ganz zeitgemäß ist;
- eine unangemessene Veränderung durch den Menschen.
Nicht alle diese Fehler erfordern dieselbe Reaktion.
Ein Modellwechsel wird ein Problem, das auf fehlerhafte Bestandsdaten zurückzuführen ist, nicht lösen. Das Hinzufügen weiterer historischer Daten wird einen kürzlich aufgetretenen strukturellen Bruch nicht unbedingt beheben. Und die Erhöhung der Anzahl externer Variablen führt nicht automatisch zu besseren Ergebnissen, wenn diese zum Zeitpunkt der Prognoseerstellung nicht ausreichend zuverlässig oder verfügbar sind.
Die Fehleranalyse muss daher der Wahl der Lösung vorausgehen.
Es ist besonders sinnvoll, die Abweichungen nach Produkt, Kategorie, Standort, Vertriebskanal und Zeithorizont zu segmentieren, um die Bereiche zu identifizieren, in denen die Leistung tatsächlich nachlässt.
Diese Herangehensweise ermöglicht es, von einer allgemeinen Feststellung – „unseren Prognosen mangelt es an Genauigkeit“ – zu einer verwertbaren Diagnose zu gelangen: Wo verlieren wir an Genauigkeit, seit wann, in welchem Zeitraum und bei welcher Art von Nachfrage?
9. Messung des Mehrwerts durch menschliche Anpassungen
Ein Modell verfügt nicht unbedingt über alle Informationen, die den Teams bekannt sind.
Ein Vertriebsmitarbeiter weiß möglicherweise, dass bald ein neuer Kunde hinzukommt. Die Marketingabteilung hat möglicherweise eine Kampagne freigegeben, die in den Daten noch nicht erfasst ist. Die Einkaufsabteilung weiß möglicherweise von einer bevorstehenden Änderung des Sortiments.
Menschliches Eingreifen kann somit die Vorhersage verbessern.
Sie kann sie jedoch auch beschädigen.
Eine Prognose anzuheben, weil sie „zu niedrig erscheint“, undokumentierte Korrekturen zu häufen oder Prognose und Vertriebsziel zu verwechseln, kann nach und nach zu Verzerrungen im Prozess führen.
Es geht also nicht darum, sich zwischen Automatisierung und menschlichem Fachwissen zu entscheiden, sondern darum, den tatsächlichen Mehrwert jedes einzelnen Eingriffs zu bemessen.
Dies ist insbesondere das Ziel des „Forecast Value Added“ (FVA).
Das Unternehmen kann nacheinander die Leistungsfähigkeit einer naiven Prognose, des statistischen Modells, der Prognose nach Anpassung durch den Demand Planner und gegebenenfalls des Vertriebs-Konsenses vergleichen.
In jeder Phase prüft sie, ob die Maßnahme die Prognose tatsächlich verbessert oder verschlechtert.
Sollte ein Prozessschritt die Ergebnisse regelmäßig beeinträchtigen, muss dessen Funktionsweise neu bewertet werden, auch wenn er historisch gesehen Teil des Prozesses ist.
Auch Anpassungen sollten dokumentiert werden: Verfasser, Datum, Grund, Ausgangswert, neuer Wert und Gültigkeitsdauer.
Diese Nachverfolgbarkeit macht menschliche Eingriffe zu einem messbaren Prozess und ermöglicht es den Teams, ihr Fachwissen auf Situationen zu konzentrieren, in denen es tatsächlich einen Mehrwert schafft: Produkteinführungen, außergewöhnliche Ereignisse, vorrangige Aufträge oder strukturelle Veränderungen.
10. Die Genauigkeit der Prognosen mit den operativen Ergebnissen verknüpfen
Eine statistische Verbesserung ist nur dann von Bedeutung, wenn sie zu besseren Entscheidungen beiträgt.
Die Prognose einer Nachfrage von 1.000 Einheiten in den nächsten vier Wochen bedeutet nicht zwangsläufig, dass sofort 1.000 Einheiten bestellt werden müssen.
Die Entscheidung hängt zudem vom verfügbaren Lagerbestand, von bereits feststehenden Bestellungen, von den bis zur nächsten Lieferung erwarteten Verkäufen, von der Lieferzeit des Lieferanten, von Mindestbestellmengen, von den logistischen Kapazitäten und vom angestrebten Servicelevel ab.
Es sind daher drei Dimensionen zu unterscheiden.
Die Qualität des Nachfragesignals : Gibt die Prognose die erwartete Nachfrage und deren Unsicherheit korrekt wieder?
Die Lagerpolitik : Sind die Nachschubparameter, die Sicherheitsbestände, die Bestellhäufigkeiten und die Servicelevels mit dieser Unsicherheit vereinbar?
Die logistische Abwicklung : Werden Bestellungen und Lieferungen tatsächlich gemäß den vorgesehenen Bedingungen abgewickelt?
Diese Unterscheidung ist von grundlegender Bedeutung.
Eine Lieferunterbrechung kann durch eine zu niedrige Prognose, aber auch durch eine zu spät aufgegebene Bestellung oder eine verspätete Lieferung des Lieferanten verursacht werden.
Ebenso ist ein Überbestand nicht unbedingt ein Beweis dafür, dass die Prognose zu hoch war: Er kann auf eine Mindestbestellmenge, eine Sortimentsänderung oder eine veraltete Lagerregel zurückzuführen sein.
Die Genauigkeit der Prognosen muss daher im Zusammenhang mit den operativen Kennzahlen betrachtet werden: Servicequote, Lieferausfälle, Verfügbarkeit, Lagerbestände, Warenschwund sowie die damit verbundenen Kosten.
Das Ziel der Bedarfsplanung besteht nicht darin, den bestmöglichen statistischen Wert zu erzielen. Vielmehr geht es darum, ausreichend zuverlässige Informationen zu liefern, um operative Entscheidungen zu verbessern.
11. Entwicklung eines Konzepts zur kontinuierlichen Verbesserung der Genauigkeit
Um die Prognosegenauigkeit nachhaltig zu verbessern, ist es nicht unbedingt erforderlich, das Modell sofort zu ersetzen oder es noch komplexer zu gestalten.
Ein strukturierter Ansatz beginnt damit, genau zu ermitteln, wo die Leistung verbessert werden kann.
Die Zielgruppe genau definieren
Zunächst muss festgelegt werden, was geplant ist, auf welcher Detailebene, in welchen Abständen und als Grundlage für welche Entscheidung.
Eine Ausgangsbasis festlegen
Die bestehenden Modelle müssen anhand einer einfachen und reproduzierbaren Methode verglichen werden, um ihren tatsächlichen Mehrwert zu ermitteln.
Segmentierung der Nachfrageprofile
Stabile, saisonale, intermittierende, neue oder stark schwankende Referenzwerte müssen nicht unbedingt auf dieselbe Weise bewertet und behandelt werden.
An den tatsächlich genutzten Horizontwerten messen
Die Prognosen müssen in der zum Zeitpunkt der Entscheidungsfindung verfügbaren Fassung bewertet werden und nicht ausschließlich in ihrer letzten Fassung vor dem tatsächlichen Ergebnis.
Mehrere Indikatoren kombinieren
Der Fehler muss durch eine Analyse der Verzerrung, der Leistung im Vergleich zu einer Basislinie und, sofern relevant, der mit der Prognose verbundenen Unsicherheit ergänzt werden.
Die Modelle anhand von Zeiträumen testen, die nicht für das Training verwendet wurden
Ein Backtesting, das die tatsächlichen Bedingungen realistisch widerspiegelt, verhindert, dass Modelle ausgewählt werden, die lediglich auf den historischen Daten, die zu ihrer Erstellung herangezogen wurden, eine gute Performance zeigen.
Die Ursachen für Abweichungen analysieren
Fehler sollten so weit wie möglich ihrer Ursache zugeordnet werden: Daten, Modell, unvorhergesehenes Ereignis, strukturelle Veränderung oder menschliches Eingreifen.
Messung des prognostizierten Mehrwerts
Jeder Schritt des Prozesses – sei er automatisiert oder manuell – muss nachweisen können, dass er tatsächlich zur Verbesserung der Prognosequalität beiträgt.
Präzision mit betrieblichen Ergebnissen verknüpfen
Eine bessere Prognose muss im Zusammenhang mit den betrieblichen Zielen betrachtet werden: Verfügbarkeit, Servicelevel, Bestandssteuerung und die Fähigkeit, den Bedarf vorausschauend einzuschätzen.
Die Leistung im Zeitverlauf überwachen
Ein Modell, das heute leistungsstark ist, wird dies nicht unbedingt auch in Zukunft bleiben.
Das Sortiment entwickelt sich weiter, das Kaufverhalten ändert sich, und die aus historischen Daten abgeleiteten Zusammenhänge können nach und nach an Relevanz verlieren.
Durch die Überwachung von Verzerrungen, Datenverschiebungen, Leistungsrückgängen oder einer zunehmenden Anzahl von Anpassungen lassen sich diese Veränderungen erkennen und die Modelle neu bewerten, bevor die Abweichungen struktureller Natur werden.
Präzision zu einem echten Instrument für die Steuerung der Bedarfsplanung machen
Bei der Messung der Prognosegenauigkeit geht es nicht darum, einen einzigen Prozentsatz zu ermitteln, der die gesamte Leistung der Bedarfsplanung zusammenfassen soll.
Eine fundierte Bewertung muss berücksichtigen, was tatsächlich geplant ist, das Nachfrageprofil, den Detaillierungsgrad und vor allem den Zeithorizont, innerhalb dessen die Entscheidung getroffen werden muss.
Zudem muss sie mehrere Auswertungen miteinander kombinieren. Der Fehler gibt das Ausmaß der Abweichungen an. Die Verzerrung offenbart anhaltende Tendenzen zur Über- oder Unterprognose. Der Vergleich mit einer Baseline zeigt, ob das Modell tatsächlich einen Mehrwert bietet. Die Vorhersageintervalle hingegen machen die Unsicherheit sichtbar, die bei einer punktuellen Vorhersage nicht erkennbar ist.
Doch die Maßnahme ist nur dann sinnvoll, wenn sie zu einer Handlung führt.
Indem sie genau ermitteln, wo, wann und warum sich die Prognosen verschlechtern, können Unternehmen an den richtigen Ansatzpunkten ansetzen: Datenqualität, Segmentierung, Modellauswahl, erklärende Variablen, manuelle Anpassungen oder operative Prozesse.
Es geht also nicht darum, jegliche Unsicherheit zu beseitigen. Ein Teil der Nachfrage wird stets schwer vorhersehbar bleiben.
Das Ziel besteht vielmehr darin, vermeidbare Fehler zu reduzieren, die verbleibende Unsicherheit zu quantifizieren und diese in die Entscheidungen bezüglich Lagerbeständen und Beschaffung einzubeziehen.
Eine leistungsfähige Prognose ist letztendlich nicht diejenige, die vorgibt, immer Recht zu haben. Es ist jene, von der das Unternehmen weiß, dass sie zuverlässig genug ist, um zu erkennen, Wo sollten Lagerbestände gesichert werden, wo sollte der Einsatz begrenzt werden, wann sollte reagiert werden und auf welche Artikel sollten die Teams ihr Augenmerk richten.
Gerade diese Fähigkeit, die Qualität von Prognosen zu messen, zu verstehen und zu nutzen, macht die Bedarfsplanung zu einem echten Entscheidungshilfetool.
